网站导航

交期波动敏感性与未完成 PO

全文共 6952 字,阅读约需 14 分钟

交期波动敏感性与未完成 PO:这组补课回答五个具体问题:未发货订单今天还会取消多少;等满24小时以后该裁多少;退货预测为什么不能直接拿去向客户承诺;COD高风险单如何进入有限人审;有部分到货的PO还要等多久。读者只需会比例、乘方、平方根、坐标图和简单方程。先用小数手算,

← 学习路线
课程目录与学习记录 0 / 109

学习进度仅存于本机浏览器。原教程站的记录不会跨域自动迁移;可先在原站导出留存,新站按实际完成情况重新勾选。

入门数据与作业包

禾味数据为 2 店 × 8 SKU × 180 天,共 2,880 行,是可见教学数据,不是封存盲测集。起步包是模拟夹具,不表示已完成六行业预测实验。资源中心另有四专项工程、模型实验和计划实验,使用前请阅读各自能力边界。

R3离线模拟专项补课。下载五模块专项实验包。PO测试P50校准警戒未通过;最终分位仅21/131张有支持,下一批7日99/131张有支持,其余留空。此处真实拟合仅限模拟数据,不是生产认证或实时业务服务。

共同运行方法与时间规则

八项专项缺口的分阶段教程与模拟项目

这组补课回答五个具体问题:未发货订单今天还会取消多少;等满24小时以后该裁多少;退货预测为什么不能直接拿去向客户承诺;COD高风险单如何进入有限人审;有部分到货的PO还要等多久。读者只需会比例、乘方、平方根、坐标图和简单方程。先用小数手算,再看模型,再运行项目。每处“最优”都只针对写出的玩具成本、容量和概率假设。

所有商品、订单、顾客、供应商、仓库和事件均为虚构模拟。项目不连生产系统,不给真实订单挂起,不联系客户,不下采购单或裁剪工单。模拟数据上的拟合、流程通过和业务效果是三种不同证据,不能混称“上线验证”。本补课对应P14、P15、R01、R04、D01、D02、L02、L03;不改写其他白皮书条目的覆盖结论。

开始之前 运行顺序与共同时间规则

项目目录是 forecast-specialty-gap-labs。需要Python、numpy、pandas、scipy和scikit-learn;确切实跑版本在包内requirements.txt。这里确实训练了scikit-learn逻辑回归与GBDT,没有安装或运行LightGBM、lifelines、AFT、深度网络或实时服务。缺依赖时程序会报缺少哪个包,不能把“给了源码”说成“在你的电脑上跑过”。无需联网取数据。

运行顺序:

python run_all.py
python -m unittest discover -s tests -v

第一条生成原始CSV,再从这些CSV读取数据、建标签、训练和写结果;会覆盖包内同名数据和结果。第二条测试时间边界、计数守恒和流程。修改原始输入后运行以下命令才会保留修改:

python run_all.py --reuse-inputs

六个受保护的原始输入为hazard_orders.csv、hazard_events.csv、return_order_cohorts.csv、cod_orders.csv、po_release_features.csv、po_receipt_events.csv。其余person-day、快照和输出是重建结果,手改会被覆盖。--reuse-inputs不是生产数据适配器:它仍要求本项目字段、事件类型、数值范围和完整模拟历史。空类别、单一标签、全无成熟样本等会失败,应报告不足并停止,不可补造标签。对真实未完成PO,不能强行提供未来完成事件满足模拟输入契约。

所有day都是各项目自己的整数日历。day=10表示项目起点后第10天,不是统一业务日期。as-of表示“站在那个时刻,仅允许看到当时已经发生或已公布的东西”。训练、选参数、最终评估用不同时间块;验证集只选参数,测试集不负责选参数。同一订单的多行必须留在同一块。行数多不等于独立订单多。

学习可分三遍:第一遍完成每章手算;第二遍运行并核对CSV;第三遍做改参数/破坏边界练习。模型表现不好也是结果,不能为了通过验收更换测试集。

模块 SG05 交期波动敏感性 未完成PO与分位数预测

对应L02、L03。这里分别回答“交期波动如何放大安全库存”和“这一张已经部分到货的PO下一次、最终还要多久”。PO是采购订单;本项目每张100件,分30、30、40三次到货。

第一步 先把安全库存公式每个量写清

SS=z×√[L̄×σD² + D̄²×σL²]。

  • D̄是日均需求,单位件/天;σD是每日需求标准差,单位件。
  • L̄是平均等待天数,σL是等待天数标准差。
  • σ²表示标准差平方,也叫方差;两项放在同一时间计数约定下得到交期内总需求方差,单位件²。
  • √是平方根,把件²还原为件;z=1.65是约95%单侧正态分位数近似,不是任意分布都能保证95%的常数。
  • SS是额外安全库存,不是平均交期内总需求。补货点常还要加D̄L̄,并考虑现有在途与政策。

从容易的一组数开始:D̄=10、σD=2、L̄=4、σL=1。需求波动项A=4×2²=16;交期波动项B=10²×1²=100;总方差V=16+100=116;标准差√116≈10.7703;SS=1.65×10.7703≈17.7710,整件向上取18。B的占比=100÷116≈86.21%,A占13.79%。

这个加法来自条件拆分:若交期固定L天,每天需求独立且方差σD²,总需求方差为LσD²;交期本身变化时,平均需求D̄乘等待天数又增加D̄²σL²。在日需求独立同分布、交期与需求独立等条件下两项相加。需求与交期正相关、节假日、断货压低观测需求、批次相关,都可能使公式不适用。

第二步 改一个参数 看哪一项变了

把日均需求从10变20,保持其余不变:A仍16,B=20²×1²=400,V=416,SS≈33.65件,整件34。均值翻倍,交期波动项翻四倍,但SS没有机械翻四倍,因为最后还要开平方。

把σL从1降至0.5,D̄仍10:B=100×0.25=25,V=41,SS≈10.56件,整件11。交期标准差减半,交期方差项变为四分之一。若σL=0,B=0,SS=1.65√16=6.6件,整件7;这不意味着无需库存,只是不用覆盖交期波动,仍有日需求波动。

lead_variance_sensitivity.csv完整列出D̄=10、20、40和σL=0、0.5、1、2的12种组合,包含A、B、占比、连续SS与向上取整SS。验收既要看结果,也要看单位和保持不变的参数。这里固定σD=2,所以销量增大时相对需求波动下降;若真实σD也随均值上升,应一起改,不能选择性夸大交期影响。

第三步 只看完成PO为什么危险

某日看两张PO:A第8天收齐,B已经等20天仍未收齐。只看A会说平均交期8天;把B写成20天收齐也错。B提供的信息是“总交期大于20天”,这叫右删失。下一次到货和最终收齐也不同:B可能明天到30件,但仍没收齐100件。

本模拟1800张PO,每张有承诺日promised_day和逐次收货事件。原始特征包括供应商、复杂度、季节、历史OTD以及下单时WIP。WIP是尚未收齐的工作量:在一个as-of时点,把之前已下单数量加起来,再减已发生收货;除以5000件容量基准得到wip_load。它不是用事后最终交期倒算的负载。

最终收齐模型在年龄5、10、15天建立快照,只要尚未收齐就保留。快照过程特征包含age、当时供应商WIP、已收比例received_fraction、已到货次数stage、复杂度、季节、下单时可知历史OTD。已收30件的比例是30÷100=0.3,不是“完成30%的时间”。WIP按快照as-of重算,只看那时已发生事件。

第四步 实际拟合P50和P90 不把完成样本偏差藏起来

本补课实际用scikit-learn的GradientBoostingRegressor,loss='quantile',分别拟合α=0.5和0.9。不是调用了LightGBM。目标y是“从快照到收齐还剩几天”,不是从下单起算的总天数。总预计收齐日=asof+预计剩余天数。

分位数损失也叫pinball。设预测q,实际y,误差e=y−q:

ρₐ(e)=αe(e≥0时);ρₐ(e)=(1−α)(−e)(e<0时)。

以P90为例α=0.9。实际12天而预测10天,e=2,损失0.9×2=1.8;实际8天而预测10天,e=−2,损失0.1×2=0.2。低估长等待被罚得更重,因此模型愿意预测得更靠右。P50两侧权重都是0.5。

每个分位数在验证块比较树深1、2、3,固定120棵、学习率0.05,冻结后测试。训练使用已成熟的历史批次:释放日0至179且截至239已知收齐;验证240至279截至339成熟;测试340至359截至419成熟。模型和参数最晚339日冻结,360日评分不读取其后的测试答案。训练同时覆盖season=0与1;验证是season=0,最终测试是新一轮season=1,明确检验跨季预测。训练、验证、测试快照为2693、597、300行。同一PO的多个快照不能跨块。本模拟最大完成时长短于成熟缓冲,所以这些成熟批次没有未完成样本被偷偷丢掉。现实长尾可能超过60天,届时这个保证失效,普通分位GBDT不能直接处理“只知大于20”的标签。

两条分位模型可能交叉,即P90<P50。本程序报告交叉数,再把较小值作为P50、较大值作为P90,这是简单单调修复,不是证明校准已经正确。测试同时报告pinball和覆盖率“真实剩余天数≤预测分位”的比例。覆盖率接近目标只是必要诊断,还要分供应商、年龄、季节看。

特别注意:本轮重新划定合法时间块后,全部300行测试快照的原始P50覆盖率为58.67%,高于本教材45%至55%的粗警戒带,仍标记不合格;原始P90覆盖90%位于85%至95%的粗警戒带。300行中仅135行满足当前模型的输入支持检查,CSV另外列出支持标志;这135行的P50/P90覆盖为65.19%/94.81%。不能把整体测试结果当作所有订单都可输出承诺的证据。警戒带只是学习用诊断,不是统计置信区间或生产验收标准。离散天数的分位数还可能跳跃:若70%到货在第2天、30%在第3天,第2天可作为P50,覆盖自然为70%,不能为了凑50%随意拆分。上述警戒带只是提醒进一步检查,不是数学定理。不能因为代码测试通过,就把这个模型作为可靠交期承诺。P90也不等于对每张PO都90%准确,分位保证本身还取决于校准与分布稳定。

第五步 未完成PO如何进入下一次到货模型

为了真正利用未结束记录,本项目另训“到下一次收货”的离散hazard模型。每个episode从下单或上一次收货开始,到下一次收货结束;观察截止270日时仍无下次收货的episode右删失,保留已经等过的零标签日,不捏造未来事件。

输入elapsed为该episode已经等第几天,stage为已发生几次收货,remaining_fraction为未收比例;另有episode开始时可知WIP、季节、复杂度、历史OTD。年龄1的hazard与订单总年龄1不是一回事,例如订单第20天刚收到第二批,新的episode从0重新计时。下一次到货模型实际训练GBDT二分类,输入共30641个风险日,包含103个被截断而未到货的episode,绝不是只挑完整记录。

当一张订单已经在本episode等了a天,未来k天内至少收到下一批的概率为:

F(k | 已等a天)=1−∏从j=1到k[1−h(a+j)]。

∏表示把括号里的数连续相乘。若未来两天条件hazard为0.2、0.25,则两天都不到概率0.8×0.75=0.6,两天内至少到一次=0.4。该模型预测的是下一批,不是收齐;批次数量在模拟中固定30、30、40,因此输出下一批事件发生条件下的数量,而不是把概率乘数量冒充已经到货。

在第360日重建131张未收齐PO,保存已收件数、未收件数、上次到货后已等多久、承诺日、下次到货P50/P90和7天到货概率。360日以后的事件仅用于离线标签与事后评估,包括下一批和最终收齐的事后评估文件;不进入360日特征,也不进入本次已冻结模型的训练或选参。最终收齐分位不只检查年龄5至15天,还检查季节、复杂度和stage是否曾在训练中出现,以及WIP、历史OTD、已收比例是否在训练数值范围内。131张中110张拒绝输出(其中76张年龄越界,部分还兼有历史OTD越界),仅21张通过;原因逐行保存。支持检查不是统计可靠性保证,更细条件或分布漂移仍可能失败。

下一次到货模型按stage分别限制elapsed,训练最大值是stage0的21天、stage1的6天、stage2的11天。不能把stage0的21天套给stage1。7天概率仅99张有支持,其余32张留空;P90若在最长15天且不超过本stage支持范围的窗口内未达到0.9,也留空,不填窗口上限冒充P90。po_next_receipt_stage_calibration.csv记录分stage事后校准:P50覆盖依次为26.39%、80%、64.10%,差异需要结合离散天数与样本量解释,不能仅因不等于50%就判定模型错;stage0低于目标尤其值得检查。这些结果保留,不通过调测试来掩盖。

po_full_pending_future_only_evaluation.csv另用未来真值评估360日那21张有支持的最终分位,P50覆盖76.19%、P90覆盖95.24%。它们与300行测试的58.67%/90%是不同分母,不能互换。后验评估不参与360日决策。

第六步 OTD与30天收齐不是同一件事

OTD是按承诺日准时交齐。分子是最终收齐日不晚于该PO承诺日的订单数。分母只放结局已经可判定的订单:已收齐的订单,以及承诺日已过仍未收齐的订单。未来还没到承诺日且未收齐,结局未定,暂不进分母。

例子:承诺第20日,实际第23日收齐,虽然30天内收齐,OTD仍失败。承诺第35日,实际第32日收齐,虽然超过30天,OTD仍成功。承诺第20日,到第25日只到60件,也算已知逾期失败;不是因为“已有部分货”就成功。

本项目360日OTD账本有独立状态on_time、late_complete、late_unfilled、unresolved_not_due。默认608单准时,1692单已可判定,OTD=608÷1692≈35.93%;108单未来未到期仍未收齐暂不入分母。数字只是模拟器制造的较紧承诺环境,不代表行业水平。

第七步 验收与不能跨越的边界

核对每张PO三次收货合计100;360日已收+未收=100;删失episode没有伪造y=1;训练事件不晚于截止;分位数排序正确;不支持年龄和达不到的P90显示空;部分到货不能标准时收齐;对照承诺日而非固定30天算OTD。

本补课包含两条不同模型:成熟批次的最终收齐分位GBDT,以及带右删失日表的下一次收货hazard。它们不能被说成同一套“已完成全删失纠偏的P50/P90模型”;没有AFT、完整多状态联合概率、数量随机性、共享供应商冲击或采购自动分单。若业务需要完整删失感知的最终交期分位数,应进一步选用支持删失的生存模型,并按相同时间规则比较,而不是从未完成行中硬填一个完成日。

交付覆盖与需要如实保留的限制

P14补上真实person-day、年龄哑变量、价格/仓库特征拟合与时间验证。P15补上24h闸门、交期混合、BOM/容量、成本枚举及风险约束超卖;限定单SKU教学政策。R01补上订单特征GBDT;R04补上同一决策日的实物、虚拟供应、订单占用ATP和采购对照。D01补齐原业务特征与本地评分时点契约;D02补齐人审容量、确认/超时状态与因果实验设计,没有线上服务或真实干预实验。L02补齐12格双波动敏感性;L03补上实际分位GBDT、WIP/过程特征、下一次部分到货和承诺日OTD,同时明示成熟训练条件与未完成模型边界。

这些是“有限教学机制完成”的证据,不能自行把白皮书所有工程范围改为完成。学习者应交出输入版本、运行命令、实际结果、通过/未通过的验收和一段限制说明,不仅交漂亮图表。

第三版交付的核验记录

默认种子20261106。53项代码契约测试通过。7项副本实验覆盖同输入重放、原始渠道修改、未来COD历史、未来PO事件隔离、140米物料无解、600行COD未来成熟标签毒化与PO未来历史。另有回归测试验证NaN评分时点、校准后单笔/批量一致、旧时间块拒绝、季节未见类别拒绝及按stage支持范围。

第二版修复了第一版审查发现的容量联合约束、COD成熟时点/校准和PO输入支持问题;不能继续引用第一版分块与指标。新测试块的最终收齐P50/P90 pinball约1.140058/0.554213,全部300行原始覆盖58.67%/90%。当前131张未收齐PO的最终分位仅21张通过输入支持,110张留空;下一批7天概率99张有支持、32张留空,99张上Brier约0.121468。

通过代码测试不等于模型校准通过,输入范围内不等于概率可靠,模型拟合不等于生产部署,模拟干预成本不等于因果收益。

第三版仅增加最终收齐按供应商和快照年龄的诊断,并收紧S(a)术语;模型、训练块、验证选择和全部预测与第二版相同。po_quantile_group_calibration.csv分列全部原始测试和支持内测试,每行给出快照数、独立PO数、覆盖与pinball。300个快照来自100张PO,不能当300个独立样本;按年龄分组后同一PO会再次出现,不可把组内PO数再加成新的独立样本。

默认分组例子:供应商0有135快照/45张PO,原始P50/P90覆盖65.19%/94.81%;供应商1有165快照/55张PO,原始覆盖53.33%/86.06%。年龄5、10、15天各100快照,P90覆盖分别81%、90%、99%,所以整体90%掩盖了年龄差异。当前支持内测试135行全部来自供应商0,不能把它们的成绩说成覆盖两家供应商。

仅保存在本机当前浏览器,无账号云同步;清除浏览器数据会丢失。不自动认定你通过测试。建议先保留输出文件和计算过程。

所有数据、系数与业务场景均为教学模拟。预测不等于采购或排产指令。来源与修订说明。